2011

REKAYASA DAN OPTIMASI PROSES

Brawijaya University
Steepest

Ascent/Descent

Ir. Usman Effendi, MS

Lab. Komputasi Dan Analisis Sistem, FTP, Universitas Brawijaya
Email : usman_eff@ub.ac.id

Mata Kuliah / MateriKuliah

1. PENDAHULUAN
1.1 Pengantar
1.2 Tujuan

2. PENCARIAN TIDAK
BERKENDALA DENGAN
VARIABEL GANDA
3. PENCARIAN KISI-KISI
(LATTICE SEARCH)
4. PENCARIAN UNIVARIAT
(univariat SEARCH)

5. METODE
PENDAKIAN/PENURUNA
N TERCURAM (steepest
ascent / descent
6. METODE ONE AT A
TIME

MODU
L

Minggu 5

1. PENDAHULUAN
1.1 Pengantar
Mari sekarang mempertimbangkan pencarian untuk desain
yang optimal ketika sistem diatur oleh dua atau lebih variabel
independen. Diawali dengan mempertimbangkan hanya dua variabel,
kemudian memperluas teknik untuk sejumlah besar variabel yang
timbul dalam sistem yang lebih rumit. Namun, kompleksitas masalah
meningkat tajam sebagai meningkatnya jumlah variabel dan,oleh
karena itu, perhatian umumnya diarahkan pada variabel yang paling
penting, biasanya dibatasi untuk dua atau tiga. Selain itu, banyak
sistem termal praktis dapat dengan baik ditandai dengan dua atau
tiga variabel dominan. Contoh ini meliputi panjang dan diameter
penukar panas, laju aliran fluida dan suhu evaporator dalam sistem
pendingin, dimensi menara pendingin dan energi yang ditolak
olehnya, dimensi ruang pembakaran dan tingkat aliran bahan bakar
dan sebagainya.

S
E
L
FP
R
O
P
A
G
A
TI
N
G
E
N
T
R
E
P
R
E

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

1.2 TUJUAN
1.2.1 Tujuan Instruksional Umum
Setelah mengikuti mata kuliah ini mahasiswa akan memiliki kemampuan melakukan
analisis suatu proses dan melakukan optimasi dengan metode yang telah dipelajarinya
1.2.2 Tujuan Instruksional Khusus
Setelah mempelajari pokok bahasan mahasiswa dapat ;

Memahami suatu masalah dalam proses yang melibatkan banyak variabel dan
memahami penggambaran secara grafis untuk fungsi dengan variabel keputusan
ganda
Mampu menggukan metode Steepest Ascent dan Descent untuk menyelesakan
masalah optimasi dengan banyak variabel.
Mampu menerapkan metode One at A Time untuk meyelesaikan masalah optimasi
yang kompleks..

2. PENCARIAN TIDAK BERKENDALA DENGAN

VARIABEL GANDA
Dalam rangka untuk menggambarkan secara grafis pendekatan iteratif untuk desain
optimum, metode yang nyaman adalah penggunaan kontur atau garis nilai konstan
Fungsi Tujuan. Gambar 1 memperlihatkan plot kontur khas di mana setiap kontur
mewakili nilai tertentu dari fungsi tujuan dan maksimum atau minimum ditunjukkan
oleh kontur terdalam. Plot ini mirip dengan yang digunakan dalam topologi untuk
mewakili ketinggian yang berbeda atau peningkatan di pegunungan. Puncak mewakili
maksimum dan lembah merupakan minimum. Representasi grafis bekerja dengan baik
untuk masalah dua-variabel karena bidang gambar memadai untuk menunjukkan
gerakan ke arah puncak atau lembah.

Gambar 1. Metode Pencarian Lattice untuk ruang dua variabel

Namun, representasi tiga dimensi diperlukan untuk tiga variabel, dengan setiap
kontur digantikan oleh permukaan. Ini menjadikan visualisasi dan kompleksitas
meningkat dengan meningkatnya jumlah variabel. Namun, perluasan treatmen
Page 2 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

matematika ke yang lebih besar jumlah variabel sangat mudah dan dapat digunakan
untuk masalah lebih komplek.
Berbagai metode yang disajikan di sini untuk multivariabel, optimasi tak
berkendaladidasarkan pada perhitungan perubahan arah peningkatan fungsi objektif
untuk maksimum dan arah penurunan fungsi tujuan untuk minimum. Oleh karena itu,
prosedur untuk menentukan maksimum adalah serupa untuk pendakian menuju puncak
gunung atau bukit, sehingga metode ini dikenal sebagai teknik memanjat bukit. Tiga
metode yang dibahas secara rinci di sini adalah kisi pencarian, pencarian univariat, dan
pendakian tercuram. Metode Eliminasi, yang mengurangi interval ketidakpastian dengan
menghilangkan daerah, mungkin juga dikombinasikan dengan teknik ini, terutama
dengan pencarian univariat, untuk memperoleh optimal.

2. PENCARIAN KISI-KISI (LATTICE SEARCH)

Metode pencarian ini didasarkan pada menghitung U fungsi tujuan di sekitar titik
awal dipilih dan kemudian memindahkan titik ini ke lokasi yang memiliki nilai terbesar
dari U, jika pencarian adalah untuk maksimal. Dengan demikian, perhitungan bergerak
ke arah peningkatan nilai dari fungsi obyektif untuk menemukan sebuah maksimal.
Maksimum tercapai ketika nilai di titik pusat lebih tinggi dari nilai pada titik-titik
tetangganya. Meskipun mencari maksimal di U adalah dipertimbangkan di sini, prosedur
yang sama dapat diikuti untuk minimum, perhitungan bergerak dalam arah penurunan
nilai fungsi tujuan. Untuk memperjelas ini dapat dilihat pada Gambar 1

3. PENCARIAN UNIVARIAT (univariat SEARCH)

Sebuah pencarian univariat melibatkan
sehubungan dengan salah satu variabel pada suatu
multivariabel direduksi menjadi serangkaian masalah
proses konvergensi secara optimal sebagai variabel
ditunjukkan secara grafis pada Gambar 2.

mengoptimalkan fungsi tujuan

waktu. Oleh karena itu, masalah
optimasi variable tunggal, dengan
yang berganti-ganti. Prosedur ini

Sebuah titik awal dipilih berdasarkan informasi yang tersedia pada sistem atau
sebagai titik jauh dari batas-batas wilayah. Pertama, salah satu variabel, katakan x,
diadakan konstan dan fungsi ini dioptimalkan sehubungan dengan y variabel lainnya.
Titik A merupakan optimum yang diperoleh. Lalu y tetap konstan pada nilai pada titik A
dan fungsi dioptimalkan terhadap x untuk mendapatkan optimal diberikan oleh titik B.
Sekali lagi, x tetap konstan pada nilai pada titik B dan y bervariasi untuk memperoleh
yang optimal, yang diberikan oleh titik C. Proses ini dilanjutkan, bolak variabel, yang
berubah sekaligus mempertahankan yang lain konstan, sampai optimal tercapai.
Hal ini ditunjukkan oleh perubahan dalam fungsi tujuan, dari satu langkah ke
langkah berikutnya, menjadi kurang dari kriteria konvergensi yang dipilih atau toleransi.

Page 3 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Gambar 2. Berbagai tahap dam metode pencarian univariat

Oleh karena itu, masalah dua-variabel dikurangi menjadi dua masalah optimasi
variable tunggal diterapkan secara bergantian. Prosedur dasar dengan mudah dapat
diperluas untuk tiga atau lebih variabel independen. Dalam memecahkan masalahvariabel tunggal, dapat digunakan metode pencarian yang disajikan sebelumnya, seperti
Fibonacci dan pencarian bagian emas,
CONTOH 1:
U fungsi tujuan, yang merupakan biaya sistem kipas dan saluran, adalah diberikan
dalam bentuk variabel desain x dan y, dimana x merupakan kapasitas kipas dan y
panjang saluran,

Kedua x dan y adalah real dan positif. Menggunakan pencarian univariat, dapatkan nilai
U optimum dan nilai-nilai yang sesuai dari x dan y. Apakah ini optimal minimum atau
maksimal?
SOLUSI
Metode kalkulus dapat digunakan untuk single-variabel dua masalah optimasi yang
diperoleh dalam pencarian univariat. Jika y dipertahankan konstan, nilai x di optimal
diberikan oleh

Demikian pula, jika x tetap konstan, nilai y secara optimum diberikan oleh

Page 4 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Karena informasi yang hanya tersedia pada x dan y adalah bahwa ini adalah nyata
dan lebih besar dari 0, mari kita memilih x = y= 0,5 sebagai titik awal. Jika solusi
tersebut tidak diperoleh, titik awal dapat bervariasi. Pertama x tetap konstan dan y
bervariasi untuk mendapatkan nilai optimum dari U. Maka y tetap konstan dan x
bervariasi untuk mendapatkan optimal nilai U. Dalam kedua kasus, persamaan
sebelumnya digunakan.

Untuk setiap langkah, salah satu variabel tetap konstan, seperti yang ditunjukkan,
dan optimal adalah diperoleh dalam hal variabel lainnya. Prosedur ini diulang sampai
keseluruhan optimal, yang merupakan minimum di U, dicapai. Iterasi dihentikan ketika x
dan y berhenti berubah. Sebuah kriteria konvergensi juga dapat digunakan untuk
menghentikan proses iteratif. Prosedur ini cukup mudah dan konvergen cukup cepat
untuk ini masalah sederhana. Bahkan untuk titik tolak substansial berbeda, metode
menyatu dengan optimal. Optimal juga dapat diperoleh dengan metode kalkulus,.
Hasilnya identik dengan yang diperoleh di sini oleh univariate pencarian, memberikan
validasi untuk skema ini. Jika U tidak dihitung pada setiap langkah, dapat ditetapkan
bahwa minimal biaya dicapai dengan memvariasikan x atau y dari nilai-nilai yang
diperoleh pada optimal. Nilai U meningkat jika salah satu dari
bervariasi, menunjukkan bahwa memang minimum diperoleh.

4. METODE PENDAKIAN/PENURUNAN TERCURAM

(steepest ascent / descent )
Metode pendakian / keturunan curam adalah metode pencarian yang sangat
eficient untuk optimasi multi variabel dan secara luas digunakan untuk berbagai aplikasi,
termasuk termal sistem. Ini adalah teknik mendaki bukit dalam hal itu mencoba untuk
bergerak menuju puncak, untuk memaksimalkan fungsi tujuan, atau ke arah lembah,
untuk minimalkan fungsi tujuan, selama jalur sesingkat mungkin.

Page 5 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Metode ini disebut tercuram pendakian dalam kasus mantan dan penurunan
curam di kedua. Pada setiap langkah, dimulai dengan titik awal sidang, arah di mana
fungsi tujuan perubahan pada tingkat terbesar dipilih untuk memindahkan lokasi titik,
yang merupakan desain pada ruang multivariabel. Gambar 3 menunjukkan gerakan ini
skema di atas bukit serta pada plot kontur dua variabel. Sejak pencarian selalu bergerak
ke arah tingkat terbesar perubahan U, jumlah sidang berjalan diperlukan untuk
mencapai optimal diharapkan akan relatif kecil dan Metode menjadi sangat eficient.
Namun, tidak memerlukan evaluasi gradien untuk menentukan arah yang tepat gerak,
membatasi penerapan metode untuk masalah dimana gradien dapat diperoleh secara
akurat dan mudah.
Diferensiasi numerik dapat digunakan jika ekspresi aljabar tidak tersedia untuk
fungsi tujuan, yang sering terjadi untuk sistem termal.

Gambar 3. Metode Steepest ascent, ditunjukkan dalam batasan (a) memanjat kearah
puncak dan (b) dalam batasan kontur U konstan
Untuk masalah multivariabel, gradient vektor dapat ditulis sebagai

mana i1, i2, z, dalam adalah vektor satuan dalam x1, x2, z, xn arah, masing-masing.
Pada setiap titik sidang, vektor gradien ditentukan dan pencarian tersebut akan
dipindahkansepanjang vektor ini, arah yang dipilih sehingga meningkat jika U
maksimum adalah dicari, atau U menurun jika minimum yang menarik.
Arah diwakili oleh vektor gradien diberikan oleh hubungan antara perubahan dalam
variabel independen. Yang menunjukkan ini dengan $ x1, $ x2, z, $ Xn, kita harus dari
analisis vector

Oleh karena itu, jika $ x1 yang dipilih, perubahan dalam variabel lain harus dihitung dari
persamaan. Selain itu, $ x1 diambil sebagai positif atau negatif, tergantung pada apakah
meningkat atau berkurang dengan U x1 dan apakah maksimal atau minimal yang dicari.
Page 6 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Untuk maksimal di U, $ x1 dipilih sehingga U meningkat, yaitu, $ x1 adalah positif jika

U / x1 positif dan negatif jika U / x1 adalah negatif. Turunan Parsial, seperti U /
x1, umumnya diperoleh secara numerik dengan menggunakan ekspresi-seperti

di mana h adalah perubahan kecil di x1. Demikian pula, turunan parsial lain dapat
dievaluasi. Jika ekspresi aljabar yang tersedia untuk fungsi tujuan, misalnya, dari hasil
simulasi numeric pencocokan kurva, kalkulus dapat digunakan secara menguntungkan
untuk mengevaluasi tutunan.

CONTOH 2:

Pertimbangkan fungsi kuadratik berikut

Anggaplah telah dihitung gradient vector

Arah penerunan tercuram

Page 7 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Gambar 4, Gradien vector untuk

Gambar 5. Metode Steepest Descent untuk fungsi Kuadratik secara umum

Arah gradien adalah arah yang memberikan respon terbesar pada fungsi tujuan per unit
panjang variabel independen. Perubahan incremental dalam setiap variabel diambil
proporsional dengan turunan parsialnya, yang mana menentukan arah gradien. Arah ini
disbut arah dari pendakian (atau penurunan) tercuram( steepest ascent or descent)

Page 8 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

CONTOH 3:

Diberikan fungsi tujuan sebagai berikut:

Carilah nilai minimum dari fungsi ini dan nilai X dan Y pada nilai minimum, mulai dari X
= 2 dan Y = 2.

SOLUSI

Titik mulai dinyatatakan oleh M pada Gambar. Pertama kali turunan parsial harus
dihitung dan dievaluasi pada titik permulaan

Pada titik permulaan turunan parsial ini menjadi

Karena dua duanya turunan parsial adalah positip, fungsi tujuan bervariasi dalam arah
yang sama seperti X dan Y. Karenany, dalam kasus ini minimasi, baik X dan Y
seharusnya diturunkan agar supaya menurunkan nilai Z. Ratio penurunan dalam X
terhadap penurunan dalam Y diambil proporsional dengan turunan parsialnya masingmasing, yaitu 6/10. Misal diambil sebarang nilai Perubahan Y awalnya dipilih adalah
-0.5, berkaitan dengan perubahan X sebesar 0.60 (-0.5) = - 0.3.
Awalnya X0 = 2, Y0 = 2, Z0 = 16. Setelah langkah pertama

Page 9 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Sepanjang fungsi tujuan menurun, prosedur diteruskan sepanjang garis gradien sama.
Tabel beikut meringkas hasil perhitungan ini
Mangacu pada Gambar, titik P berkaitan dengan (X5, Y5) dan titik N dengan (X6,Y6).
Pada tabel terlihat pada titik N fungsi tujuan tidak lebih lanjut menurun. Pada titik P,
dalam kenyataannya, menyatakan perhitungan terakhir yang sukses. Arah gradien baru
sekarang dihitung pada titik ini dan prosedur diulang. Pada titik P, arah gradien adalah

Page 10 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

Adalah tampak Z/X adlah positip teetapi Z/Y adalah negatip. Karenanya agar
supaya menurunkan nilai Z, X harus diturunkan dan Y harus dinaikkan. Katakanlah
perubahan Y dikurangi dari 0.5 manjadi 0.3. dari perhitungan sekarang turunan parsial,
rasio X/Y = -1/3 sehingga X = - 0.1.
Tahap 6 dihitung sebagai berikut

Dilanjutkan sepanjang garis gradien baru ini, titik berikut didapatkan

Karena Z8 lebih besar dari Z7, Tahap sukses terakhir, titik Q (X7, Y7) ditunjukkan pada
Gambar. Arah berubah sekali lagi. Ukuran tahap dinaikkan dan seterusnya, sampai titik
optimum pada akhirnya diperoleh.

Metode steepest ascent membutuhkan dua keputusan ketika menghitung arah gradien
baru, dan berapa ukuran step untuk digunakan. Pengalaman dan pengenalan dengan
masalah meningkatkan eefieinsi penyelesaian.
Jika ekspresi analitik tidak tersedia, adalah diperlukan untuk eksplorasi dengan
percobaan nilai Z, Fungsi tujuan, dalam berbagai arah dari M (gambar) dan untuk
menetapkan gradien steepest secara eksperimental.
Metode dapat diterapkan untuk lebih dari dua variabel dengan teknik analisis vektor.

METODE ONE AT A TIME

Dalam metode ini seluruh variabel kecuali satu dipertahankan konstan dan variabel ini
divariasikan untuk mendapatkan perbaikan dalm fungsi tujuan. Lihat pada Gambar,
suatu pencarian awal dimulai, perubahan hanya Y (X konstan) sepanjanga garis AB
sampai nilai terendah fungsi tujuan diperoleh pada titik C. Suatu pencarian baru dimulai
sepanjang garis CD sampai titik D dicapai, dan proses dilanjutkan sampai optimum
diperoleh.
Page 11 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

CONTOH 4:

Selesaikan permasalahan dua variabel berikut

Minimasi z dengan metode One at a Time. Mulai pada P = 250 dan S = 1000

SOLUSI :

Dengan P = 250 dan tidak dirariasikan, cari nilai S terbaik

Page 12 of 15

2012

Rekayasa dan Optimasi Proses / Steepest Ascent /

Sekarang untuk S = 1265, cari nilai terbaik P

Teruskan sampai tidak ada perubahan hasil lebih lanjut.

Sehingga minimum terjadi pada P = 299.5 dan S = 1056

Page 13 of 15

Brawijaya

2012

Rekayasa dan Optimasi Proses / Steepest Ascent /

Brawijaya

2012

REFERENSI
Edgar, T F. And DM Himmelblau. 2001. Optimization Of Chemical Processes, Second
Edition. Mcgraw-Hill. New York.
Jaluria, Yogesh. 2008. Design and optimization of thermal systems 2nd ed. CRC Press.
USA
.Jelen, FC. 1985. Cost and Optimization Engineering. Second edition. McGraw-Hill. New
York.

PROPAGASI

A.

Tugas (Evaluasi mandiri)

1. Selesaikan

2. Total biaya untuk suatu proses dinyatakan sebagai berikut :

Z = 1250 S0.6 + 5 105 P-1.5 S-0.5 + 150 P

Tentukan nilai optimum Z dan carilah S dan P dengan menggunakan metode :
a.

geometric programming

b. One at a time.
c. Steepest ascent or descent

B.

C.

QUIZ - (Evaluasi)

PROYEK (Eksplorasi entrepreneurship, penerapan topic bahasan pada

dunia nyata)

Page 14 of 15

Rekayasa dan Optimasi Proses / Steepest Ascent /

Page 15 of 15

Brawijaya

2012